DiPS: Dialogue Policy Selection for High-Stakes Persuasion Agents

📄 arXiv: 2607.01557v1 📥 PDF

作者: Tianyi Zhang, Mousumi Das, Abrar Anwar, Jesse Thomason, David Traum

分类: cs.CL, cs.AI

发布日期: 2026-07-02

备注: Proceedings of the 27th Annual Meeting of the Special Interest Group on Discourse and Dialogue (SIGDIAL 2026)

💡 一句话要点

提出对话策略选择方法以解决高风险劝说问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 对话策略 劝说系统 Q学习 个性化策略 高风险场景 紧急救援 人机交互

📋 核心要点

  1. 现有的劝说方法在高风险场景中缺乏个性化，无法有效应对不同居民的需求和反应。
  2. 本文提出的DiPS框架利用Q学习动态选择劝说策略，依据居民的发言调整策略以提高劝说效果。
  3. 实验结果表明，DiPS在撤离成功率上显著优于传统的零-shot LLM和通用RAG增强方法，展示了其有效性。

📝 摘要（中文）

大型语言模型（LLMs）在高风险场景中的劝说能力常常不足。人们的个性和关注点需要量身定制的策略，而非一刀切的方法。为了解决这一挑战，本文聚焦于火灾救援场景，提出对话策略选择（DiPS），一个基于Q学习的框架，动态选择适应于不断变化的对话上下文的劝说策略。具体而言，我们训练一个评论者，以最大化居民撤离成功的机会，根据居民的最近发言在每个回合选择劝说策略。我们在模拟和真实人际互动中对DiPS进行了评估，发现其在撤离成功率上优于零-shot LLM和通用RAG增强方法。

🔬 方法详解

问题定义：本文旨在解决在高风险劝说场景中，现有方法无法根据个体差异进行有效劝说的问题，导致劝说效果不佳。

核心思路：DiPS框架通过Q学习动态选择劝说策略，依据居民的发言内容进行实时调整，以提高劝说成功率。这样的设计使得劝说策略能够更好地适应对话的变化。

技术框架：DiPS的整体架构包括一个训练好的评论者，负责根据居民的发言选择最优的劝说策略。该框架的主要模块包括对话状态的表示、策略选择和策略评估。

关键创新：DiPS的核心创新在于其动态策略选择机制，能够根据对话上下文实时调整劝说策略，这与传统的静态策略选择方法有本质区别。

关键设计：在实现中，DiPS使用了Q学习算法来优化策略选择过程，损失函数设计为最大化撤离成功的概率，网络结构则结合了对话历史和居民特征的表示。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

DiPS在实验中表现出显著的优势，撤离成功率高于零-shot LLM和通用RAG增强方法，具体提升幅度未知，展示了其在高风险劝说场景中的有效性和适应性。

🎯 应用场景

该研究的潜在应用领域包括紧急救援、心理咨询和客户服务等高风险劝说场景。通过个性化的劝说策略，能够有效提高劝说的成功率，具有重要的实际价值和社会影响。未来，该方法还可以扩展到其他需要个性化沟通的领域。

📄 摘要（原文）

Large Language Models (LLMs) often struggle with persuasion in high-stakes scenarios. People's individual personalities and concerns require tailored strategies rather than a one-size-fits-all approach. To address this challenge, we focus on a fire-rescue scenario in which an operator must persuade a resident to evacuate as a high-stakes persuasion domain and propose Dialogue Policy Selection (DiPS), a Q-learning framework to dynamically select persuasion strategies adapted to the evolving conversational context. Specifically, we train a critic, trained to maximize the chance of evacuation success, to select a persuasion policy at each turn based on the resident's recent utterances.We then evaluate DiPS against multiple baselines in both simulated and real human interactions. We find that DiPS achieves higher evacuation success than a zero-shot LLM and generic RAG-augmented approach.